كيف رفعت الذكاء الاصطناعي والبيانات التكشفية دقة كشف أمراض أوراق البتول إلى 98% في بنغلاديش

تُعد أوراق البتول ركيزة أساسية للطب التقليدي وسبل عيش الريف في جنوب وجنوب شرق آسيا. تواجه هذه المحاصيل الحيوية تهديدات مستمرة من أمراض متكررة مثل تعفن الأوراق وبقعها. تلحق هذه المسببات خسائر كبيرة في الغلة وأضراراً اقتصادية. يتأثر المزارعون الصغار في بنغلاديش بهذه المشكلة بشكل خاص. تقدم تقنيات التعلم العميق حلاً واعداً للكشف الآلي عن الأمراض. لكن التطبيق العملي يواجه عقبات بسبب نقص بيانات التدريب واختلال التوازن بين الفئات.

لا تزال طرق الفحص اليدوي التقليدية شاقة وموضوعية. يعتمد هذا الأسلوب على الملاحظة البشرية مما يؤدي غالباً إلى تأخر التشخيص وتطبيق غير متسق للمبيدات. واجهت المحاولات السابقة للتعلم العميق صعوبات مع مجموعات البيانات الصغيرة. اعتمدت العديد من النماذج القديمة على تقنيات ثابتة لتكبير البيانات. فشلت هذه التقنيات في التكيف مع أداء النموذج أثناء التدريب. يعيد هذا النهج الجديد صياغة اختيار سياسة التكبير كمشكلة ذات أذرع متعددة.

يستخدم متحكم UCB لاختيار ديناميكي بين مستويات مختلفة من RandAugment وتنشيطات Mixup بناءً على أداء التحقق. يوازن هذا الاستراتيجية بين الاستكشاف والاستغلال لتحديد استراتيجية تحويل البيانات الأكثر فعالية. اتبع البحث بروتوكول تقييم صارم استخدم فيه الصور الأصلية فقط لتقسيم مجموعة البيانات. يمنع هذا الأسلوب تسرب البيانات الذي قد يزيد بشكل مصطنع من مقاييس الأداء.

تم اختيار العمود الفقري ConvNeXt-Tiny لكفاءته ودقته. خضع للنموذج لمقارنته بنماذج أخرى تشمل ResNet وDenseNet وEfficientNet. أظهرت النتائج أن ConvNeXt-Tiny مع تكبير موجه بـ UCB ذو 12 ذراعاً حقق دقة مذهلة تبلغ 98.04%. وصل متوسط F1 إلى 97.87%. تفوق هذا الأداء بشكل كبير على طرق التكبير الثابتة والأعمدة الفقرية الأخرى.

أظهر البحث أيضاً مرونة قوية تحت زيادة اختلال التوازن بين الفئات. حافظ النموذج على أدائه العالي حتى عند تقليل عينات الفئة الأقلية. من خلال دمج تقنيات الذكاء الاصطناعي القابلة للتفسير مثل Grad-CAM، يوفر النموذج أدلة بصرية على تركيزه على خصائص الأوراق ذات الصلة بدلاً من artefacts الخلفية. يعزز هذا الإطار الدقة التشخيصية بينما يقدم حلاً قابلاً للتطوير وفعالاً للبيئات الزراعية محدودة الموارد. يمهد الطريق لممارسات زراعية أكثر ذكاءً ومرونة من خلال الذكاء الاصطناعي المتقدم.